1.2 Mouvement brownien conditionné à rester dans un segment
1.2.1 Théorèmes limites
φ
Z
T 0σ
∗udWˆ
u6IE
φ
Z
T 0σ
udW
u, T >0, (1.1.43)
pour toute fonction convexeφ∈ C
1(R)de dérivée convexe.
On s’intéresse maintenant au cas de processus à sauts pur, i.e.on suppose que la
condi-tion (1.1.35) est vérifiée.
Corollaire 1.1.15. Supposons que(J
∗t
)
t∈[0,T]appartient à l’espaceL
2,1et que
i) 06J
∗ u6J
u,dIPdu-p.p.,
ii) 06λ
∗ uJ
∗ u6λ
uJ
u,dIPdu-p.p.,
iii) D
N uJ
∗ v>0,dIPdudv-p.p.
Alors pour06s6t6T, on a
IE
φ
Z
T 0J
u∗−(dNˆ
u−λ
∗udu)
6IE
φ
Z
T 0J
u−(dN
u−λ
udu)
, (1.1.44)
pour toute fonction convexeφ∈ C
2(R)de dérivées première et seconde convexes.
1.2 Mouvement brownien conditionné à rester dans un
segment
1.2.1 Théorèmes limites
On décrit ici les résultats relatifs au conditionnement de processus présentés dans le
chapitre 4. Ce sont des résultats de convergence en loi, ils s’inscrivent dans la
continu-ité de résultats obtenus dans [19], [24], etc. Nous comparons les processus obtenus avec
le méandre brownien et avec l’excursion brownienne. Nous rappelons ici les définitions
de ces processus.
1.2. MOUVEMENT BROWNIEN CONDITIONNÉ À RESTER DANS UN SEGMENT
Soit(W
t)
t∈R+un mouvement brownien standard. On noteσ(resp.τ) le dernier temps de
passage en 0 avant (resp. premier temps de passage après) le temps 1,i.e.
σ := sup{s <1; W
s= 0} et τ := inf{s >1; W
s= 0}.
On appelle méandre brownien le processus(W
t+)
t∈[0,1]défini par
W
t+= √1
∆|W
σ+∆t|,
où∆ = 1−σ. Le processus ainsi défini est positif sur[0,1]et les propriétés de symétrie,
d’invariance en loi par translation et par changement d’échelle permettent de considérer
ce processus comme un mouvement brownien conditionné à rester positif.
On appelle excursion brownienne signée le processus(W
◦t
)
t∈[0,1]défini par
W
t◦= √1
∆W
σ+∆t,
où∆ =τ −σ, cf. e.g.[28]. Ce processus est de signe constant sur[0,1]et on aW
◦1
= 0.
Les mêmes raisons que précédemment permettent de considérer ce processus comme un
mouvement brownien conditionné à revenir pour la première fois en 0 au temps 1. On
appelle excursion brownienne non-signée le processus(|W
◦t
|)
t∈[0,1].
Depuis le début des années 70 des théorèmes de convergence en loi ont été utilisés afin de
construire des processus conditionnés par des évènements de probabilité nulleΛ. Parmi
ces théorèmes, on peut distinguer essentiellement deux grandes familles. La première
ap-proche s’appuit sur les marches aléatoires tandis que la deuxième est une apap-proche
fonc-tionnelle.
Les idées sous-jacentes à chacune de ces approches se résument de la façon suivante : la
première méthode consiste à approximer le mouvement brownien par une suite de
proces-sus approchants et à conditionner ces procesproces-sus par un évènementΛalors que la deuxième
méthode consiste à approximer l’évènement conditionnant. Nous détaillons maintenant
chacune de ces approches.
Nous rappelons ici le théorème de Donsker sur lequel repose la première méthode.
Théorème 1.2.1. Soit(X
i)
i∈N∗une suite de variables aléatoiresi.i.d.centrées de variance
finie. Lorsquentend vers+∞, la suite des processus(X
n(t))
t∈[0,1],n>1, définis par
X
n(t) = √1
n
[nt]X
i=1X
i1.2. MOUVEMENT BROWNIEN CONDITIONNÉ À RESTER DANS UN SEGMENT
converge en loi dans l’espace D([0,1]) des fonctions continues à droite et limitées à
gauche (càdlàg) muni de la topologieJ1de Skorohod (cf.[10]), vers le mouvement
brown-ien sur[0,1].
L’idée est alors que si l’on conditionne les marches aléatoires par un évenementΛ, la suite
convergera alors vers un processus qui respectera la condition imposée parΛet qui pourra
être interprété comme le mouvement brownien conditionné par un évènementΛ.
En 1974, D. L. Iglehart utilise cette approche dans [27] pour construire un mouvement
brownien conditionné à rester positif sur [0,1] et deux ans plus tard E. Bolthausen
af-faiblit les hypothèses techniques sur les variables aléatoires sous-jacentes à la marche. En
1976, W. D. Kaigh établit dans [30] qu’une suite de marches aléatoires conditionnées à
revenir pour la première fois en 0 au tempsn et renormalisées comme dans le théorème
1.2.1 converge en loi vers un processus qu’il interprète comme le mouvement brownien
conditionné à avoir un signe constant sur[0,1]et à revenir en 0 au temps 1.
D’un point de vue technique les démonstrations comportent deux étapes. Dans un premier
temps, on calcule les lois fini-dimensionnelles pour les marches aléatoires conditionnées
et l’on montre que ces distributions convergent. Puis, dans un deuxième temps, on montre
la tension de la suite de mesures induites sur l’espace des fonctions càdlàg, ce qui permet
de conclure à la convergence en loi de la suite de mesures (cf.[10]).
L’approche fonctionnelle consiste à considérer une suite(Λ
n)
n∈Ndécroissante
d’évène-ments de probabilité non nulle qui “tend” versΛ. Plus précisément, la suite (Λ
n)
n∈Nest
décroissante au sens de l’inclusion et∩
n∈NΛ
n= Λ. On cherche ensuite à établir la
conver-gence en loi de la suite(W
nu
)
n∈Ndes mouvements browniens conditionnés parΛ
n. Notons
que cette approche est plus générale et ne se limite pas au mouvement brownien.
Cette approche a notamment été utilisée par Durrett, Iglehart et Miller dans [19] pour
établir des liens entre mouvement brownien, méandre brownien, pont brownien et
excur-sion brownienne. Plus précisément, ces auteurs établissent que lorsque ε > 0 tend vers
0 :
– le mouvement brownien sur[0,1]conditionné à rester supérieur à−εtend vers le
méan-dre brownien,
– le méandre brownien sur [0,1]conditionné à avoir une valeur terminale inférieure àε
tend vers l’excursion brownienne,
– le pont brownien conditionné à rester supérieur à−εtend vers l’excursion brownienne.
Plus récemment, un point de vue similaire a été utilisé pour conditionner le mouvement
brownien (multidimensionnel) issu d’un point à rester dans un cône issu de ce même point
(see [24]).
Les grandes lignes des preuves suivent la même ligne que précédemment. On calcule les
lois fini-dimensionnelles pour les processus conditionnés, on montre la convergence de
ces distributions puis on prouve la tension de la suite de mesures induites sur l’espace
1.2. MOUVEMENT BROWNIEN CONDITIONNÉ À RESTER DANS UN SEGMENT
des fonctions continues ce qui permet de conclure à la convergence en loi de la suite de
mesure (cf.[10]).
Dans le chapitre 4, on construit un mouvement brownien conditionné à rester dans
l’in-tervalle[0, ℓ]jusqu’au temps 1 et on considère plusieurs cas selon le comportement voulu
au temps 1. Le mouvement brownien prenant (presque sûrement) des valeurs négatives
sur l’intervalle[0,1], l’évènement “le mouvement brownien reste dans l’intervalle [0, ℓ]
jusqu’au temps 1” est de mesure nulle et il est impossible de procéder à un
condition-nement direct. Nous adoptons pour répondre à ce problème le point de vue de [19], et
établissons trois théorèmes de convergence fonctionnelle. Le Théorème 1.2.3 concerne le
cas où le mouvement brownien est conditionné à rester dans[0, ℓ]jusqu’au temps 1 sans
condition finale, dans le Théorème 1.2.4 on traite le cas où on ajoute la condition finale
W1 = 0, enfin le Théorème 1.2.5 concerne le cas où le mouvement brownien traverse le
segment pour finir enℓ,i.e.W1 =ℓ.
Notonsm
tetM
tles minimum et maximum courants du mouvement brownien,i.e.
m
t= min
06s6t
W
s, M
t= max
06s6t
W
s.
On commence par rappeler le principe de réflexion,cf. e.g.[31].
Principe de Réflexion
Soienta <0eta < x1 < x2, on a
IP%
W
t∈[x
1, x
2], m
t< a
=IP%
W
t∈[2a−x
2,2a−x
1]
. (1.2.1)
Donnons encore ici quelques notations. Soit(Ω,F,IP)un espace probabilisé. Étant donné
un évènementΛ ∈ F de probabilité non-nulle, l’espace(Λ,F
Λ,IP
Λ)oùF
Λ:= {A∩Λ :
A∈ F}est la trace deF surΛet où IP
Λcorrespond à la mesure IP conditionnellement à
l’évènementΛ,i.e.
IP
Λ(A) = IP(A)
IP(Λ) =IP(A|Λ),∀A∈ F
Λ.À une variable aléatoire X définie sur (Ω,F,IP) correspond naturellement une variable
aléatoire X
Λsur (Λ,F
Λ,IP
Λ) définie comme la restriction de X à Λ. Compte tenu de
la définition de la mesure IP
Λ, la variable aléatoire X
Λpeut être considérée comme X
conditionnée par l’évènementΛ. Le résultat suivant assure que sous certaines conditions
un processus markovien soumis à un conditionnement reste markovien,cf.[19].
Lemme 1.2.2. Soit X une fonction markovienne sur l’espace des fonctions continues
1.2. MOUVEMENT BROWNIEN CONDITIONNÉ À RESTER DANS UN SEGMENT
{X ∈ L} etπ[0
,t](resp.π[
t,1]) la projection deC[0,1]surC[0, t](resp.C[t,1]). Si pour
toutt ∈[0,1], il existe des boréliensA
t⊂C[0, t]etB
t⊂C[t,1]tels que
L=π
[0−,t1](A
t)∩π
−[t,11](B
t),
alorsX
Λest markovien.
Dans les théorèmes suivants, les noyaux de transition sont exprimés au moyen de la
fonc-tion theta de Jacobiϑ, définie pourz ∈ Cetτ dans le demi-plan des complexes à partie
imaginaire positive, par :
ϑ(z, τ) =
+∞X
k=−∞exp%
iπk
2τ + 2kπiz
Dans le document
Interpolation et comparaison de certains processus stochastiques
(Page 32-36)